Sviluppo di Anomaly Detectors per sistemi HVAC basati su Machine Learning e Artificial Intelligence: Il caso dell’Energy Center = Development of Anomaly Detectors for HVAC systems based on Machine Learning and Artificial Intelligence: The case of Energy Center

Guasti e regolazioni anomale pregiudicano il corretto funzionamento degli impianti di riscaldamento, ventilazione e condizionamento aria (Heating, Ventilation and Air Conditioning - HVAC). Ciò comporta perdita delle prestazioni, aumento dei consumi di energia, riduzione della vita utile delle apparecchiature, violazione di norme vigenti, nonché discomfort per gli occupanti. Guasti e regolazioni anomale devono essere tempestivamente individuati per evitare sia danni sia sprechi di energia. In genere, i malfunzionamenti di tali sistemi sono condizioni associate a inefficienze di regolazione, guasti delle apparecchiature ed errori umani nella gestione dell’impianto. È quindi utile riconoscere e individuare le possibili condizioni di malfunzionamento dell’impianto, in modo automatico e in tempo breve. A tale scopo le tecniche di Fault Detection and Diagnostics (FDD) sono uno strumento molto efficace nel campo della diagnosi e del rilevamento di anomalie. Esse consentono di rilevare anomalie sui dati di monitoraggio impiantistici di un edificio dotato di sistema HVAC. Inoltre, permettono di determinare le cause delle anomalie e di conseguenza definire strategie di ottimizzazione di controllo e manutenzione predittiva degli impianti. In letteratura sono presenti diversi metodi FDD per sistemi HVAC basati su regole pratiche, modelli fisici e modelli basati sui dati. I metodi più vantaggiosi in termini di replicabilità e di tempo di sviluppo sono i metodi basati sui dati, anche detti Data-Driven methods. Tra questi si esplorano modelli di Artificial Intelligence (AI) e Machine Learning (ML). Molte applicazioni in letteratura prevedono l’utilizzo di dati etichettati, ossia informazioni descrittive sul funzionamento dell’impianto. Principale sfida nello sviluppo di tali modelli è la mancanza di una quantità sufficiente di dati etichettati o, come spesso accade, la loro completa assenza. Nella pratica, raccogliere abbastanza dati etichettati per classificare le condizioni di funzionamento anomalo richiede molto tempo e lavoro, e spesso è persino impossibile. L’obiettivo del lavoro di tesi è lo sviluppo di un software di Fault Detection and Diagnostics, basato su Artificial Neural Network (ANN). Nello specifico, si sviluppano tre diversi modelli di Rete Neurale Artificiale, nei quali non è richiesto l’utilizzo di dati etichettati. Il lavoro intende individuare un modello scalabile, integrabile su sistemi reali e con accuratezza elevata. Per lo sviluppo si utilizzano i dati di monitoraggio acquisiti dal Building Management System (BMS) dell’Energy Center del Politecnico di Torino e storicizzati da EURIX s.r.l., azienda con la quale si è collaborato al seguente lavoro di tesi.